一种基于多示例学习的图像检索方法

由于多示例学习能够有效处理图像的歧义性,因此被应用于基于内容的图像检索(CBIR).本文提出一种基于多示例学习的CBIR方法.该方法将图像作为多示例包,使用基于自组织特征映射网络聚类的方法分割图像,并将由颜色和纹理特征描述的图像区域作为包中示例.根据用户选择的实例图像生成正包和反包,使用多示例学习算法进行学习,实现图像检索和相关反馈.实验结果表明这种方法与已有方法检索效果相当,但检索效率更高.     

基于多示例学习的图像表示方法

提出一种基于多示例学习的图像表示方法,将图像作为多示例包,用高斯滤波器将图像滤波并取样为由颜色区域构成的矩阵,使用单颜色及相邻区域(single blob with neighbors)的包生成方法。根据用户选择的实例图像生成正包和负包,使用MIL-SVDD_I和MIL-SVDD_B算法进行实验。实验表明该图像表示方法是可行的。     

基于半监督多示例学习的对象图像检索

针对基于对象的图像检索问题,提出一种新的半监督多示例学习(MIL)算法.该算法将图像当作包,分割区域的视觉特征当作包中的示例,按"点密度"最大原则,提取"视觉语义"构造投影空间;然后利用定义的非线性函数将包映射成投影空间中的一个点,以获得图像的"投影特征",并采用粗糙集(RS)方法对其进行属性约简;最后利用直推式支持向量机(TSVM)进行半监督的学习,得到分类器.实验结果表明,该方法有效且性能优于其他方法.     

一种结合多示例学习的图像检索方法①

提出一种基于多示例学习（Multiple—instance learning）的图像检索方法,将多示例学习应用于图像检索中,以有效的处理图像的歧义性。该方法首先将图像作为多示例包,其次采用自适应k—means图像分割算法将图像自动分成多个示例,然后根据用户选择的实例图像生成正包和反包,再采用EM—DD（expectation maximization diversedensity）算法进行多示例学习,实现图像检索和相关反馈,最终使用户得到比较满意的结果。     

基于流行排序的多示例图像检索方法

为了提高图像检索的性能,提出了一种基于流行排序的多示例图像检索方法,将分割后的图像表示为多示例的形式,通过给出适合图像在包空间的度量方式,有效结合流行排序和多示例学习的方法来进行图像检索.实验结果表明,采用所提出的方法的检索结果与传统的检索方法相比,检索率得到了明显的提高,检索结果更符合人的视觉习惯.     

一种新的基于区域的图像检索方法

论文提出了一种新的基于区域的图像检索方法。与传统的基于区域的检索方法相比,论文从组成目标对象的基本结构角度出发分割图像,利用少量色彩等级更易描述对象主要构成的特性提取一组能够描述对象基本组成的区域序列。采用这些区域列的面积作为图像特征,用于图像检索。实验表明,该算法简单但非常有效,而且对图像的旋转、尺度变化具有良好的鲁棒性。     

基于小区域特征的图像检索方法

对于很大一部分待检索图像,在分割后的区域中,不仅面积较大的区域对整幅图像和人的视觉有意义,那些细腻而零散的小区域同样会对视觉产生不可忽略的影响。该文提出将图像的小区域考虑到图像检索中去,以更完整、更准确地描述图像的特征,并使用均值和方差的方法提取小区域的整体分布特征,再和其他大区域的图像特征相结合的方法进行图像检索。实验表明,该方法与只考虑大区域图像特征的检索方法相比,提高了检索的精度。     

基于内容的多特征综合图像检索

相关反馈用于基于内容的图像检索是一个研究热点，事实证明多特征的基于综合图像检索优于基于单一特征的检索，文章在Rui的动态调整权值方法的基础上，提出了一些改进思想，克服原来方法的一些不足。     

基于K均值聚类和多示例学习的图像检索方法

针对基于对象的图像检索问题,利用K均值（K-means）聚类,提出了一种新的基于多示例学习（MIL）框架的图像检索算法KP-MIL。该算法在正包和负包组成示例集合聚类,获取潜在正示例代表和包结构特性数据,然后利用径向基核分别度量两者的相似性,最后利用alpha因子均衡两者相似性对核函数结果的影响。在标准对象图像检索集SIGVAL上进行实验,实验结果表明,该方法是有效的且性能优于其他同类方法。     

图像语义分析的多示例学习算法综述

多示例学习(MIL)作为第4种机器学习框架,已在图像语义分析中得到了广泛应用.首先介绍MIL的起源、特点、相关概念和数据集;然后以图像语义分析为应用背景,对相关MIL算法进行详细综述,按照算法采用的学习机制对其进行分类,并重点分析了各类算法提出的思路和主要特点;最后,对MIL未来的研究方向作了探讨.     

Fine-Grained Pornographic Image Recognition with Multi-Instance Learning

Image has become an essential medium for expressing meaning and disseminating information. Many images are uploaded to the Internet, among which some are pornographic, causing adverse effects on public psychological health. To create a clean and positive Internet environment, network enforcement agencies need an automatic and efficient pornographic image recognition tool. Previous studies on pornographic images mainly rely on convolutional neural networks (CNN). Because of CNN’s many parameters, they must rely on a large labeled training dataset, which takes work to build. To reduce the effect of the database on the recognition performance of pornographic images, many researchers view pornographic image recognition as a binary classification task. In actual application, when faced with pornographic images of various features, the performance and recognition accuracy of the network model often decrease. In addition, the pornographic content in images usually lies in several small-sized local regions, which are not a large proportion of the image. CNN, this kind of strong supervised learning method, usually cannot automatically focus on the pornographic area of the image, thus affecting the recognition accuracy of pornographic images. This paper established an image dataset with seven classes by crawling pornographic websites and Baidu Image Library. A weakly supervised pornographic image recognition method based on multiple instance learning (MIL) is proposed. The Squeeze and Extraction (SE) module is introduced in the feature extraction to strengthen the critical information and weaken the influence of non-key and useless information on the result of pornographic image recognition. To meet the requirements of the pooling layer operation in Multiple Instance Learning, we introduced the idea of an attention mechanism to weight and average instances. The experimental results show that the proposed method has better accuracy and F1 scores than other methods.     

机器学习的查询扩展在博客检索中的应用

该文介绍一种新的查询扩展方法,该方法结合了查询扩展技术和机器学习理论。通过机器学习的方法挑选出查询扩展词,以此提高检索结果的性能。对于输入的查询项,首先通过伪反馈技术生成候选扩展词集合,然后使用支持向量机对输入的候选词评分,挑选得分较高的候选词和原始查询项组成一个新的查询项。由于训练这个支持向量机的训练数据较难获得,我们利用评测会议的检索结果和检索工具自动地生成训练数据。这套查询扩展方法的优点在于通过对训练语料的学习,能够对候选扩展词作出更合理的选择。在TREC评测会议组织的观点检索任务中,相对于不采用任何扩展技术的基准系统,该方法提高了MAP指标33.1%。     

Multi-Instance Learning Based Web Mining

In multi-instance learning, the training set comprises labeled bags that are composed of unlabeled instances, and the task is to predict the labels of unseen bags. In this paper, a web mining problem, i.e. web index recommendation, is investigated from a multi-instance view. In detail, each web index page is regarded as a bag, while each of its linked pages is regarded as an instance. A user favoring an index page means that he or she is interested in at least one page linked by the index. Based on the browsing history of the user, recommendation could be provided for unseen index pages. An algorithm named Fretcit-kNN, which employs the Minimal Hausdorff distance between frequent term sets and utilizes both the references and citers of an unseen bag in determining its label, is proposed to solve the problem. Experiments show that in average the recommendation accuracy of Fretcit-kNN is 81.0% with 71.7% recall and 70.9% precision, which is significantly better than the best algorithm that does not consider the specific characteristics of multi-instance learning, whose performance is 76.3% accuracy with 63.4% recall and 66.1% precision.     

基于多示例学习的中文Web目录页面推荐

多示例学习为中文Web挖掘提供了一种新的思路.提出中文Web目录页面推荐这种特殊的Web挖掘任务,并且将其转化为多示例学习问题来解决.在真实世界数据集上的实验结果显示,该方法能够有效地解决该问题.     

基于颜色-空间特征的图像检索

虽然基于颜色直方图特征的图像检索方法简单、高效,但却丢失了颜色的空间分布信息.提出了一种基于颜色-空间特征的图像检索方法.该方法将图像内容看成由若干对象组成的集合,首先利用图像分割得到主要对象,然后根据对象的颜色、位置和形状特征计算图像间内容的相似度,再进行检索.实验结果表明,当图像中有明显的物体时,该方法与颜色直方图相比,能够更加准确和高效地查找出用户所需内容的图像,明显地提高了检索精度.     

基于LMISVM的相关反馈图像检索

相关反馈技术是基于内容图像检索研究的热点。本文针对现有SVM相关反馈中假定相关图像的所有特征为相关这一不完全准确假设,提出了MISVM短期机器学习相关反馈方法。该方法采用多示例学习方法确定图像中每个特征的相关程度来提高SVM的分类准确性;在此基础上,为进一步提高系统反馈速度与准确率,通过保存以前训练好的分类器和反馈样本,提出了基于LMISVM长期机器学习的相关反馈方法。文中提出的两种方法与其它方法进行了比较实验,结果表明该方法优于其它方法。     

基于反馈学习自适应的中文话题追踪

在话题追踪研究领域,由于话题是动态发展的,在追踪过程中会产生话题漂移的问题。针对该问题以及现有自适应方法的不足,本文提出基于反馈学习的自适应方法。该方法采用增量学习的思想,对话题追踪任务中的自适应学习机制提出了新的算法。该算法能够解决话题漂移现象,并能够弥补现有自适应方法的不足。该算法中还考虑了话题追踪任务的时序性,将时间信息引入到了算法中。本文实验采用TDT4语料中的中文部分作为测试语料,使用TDT2004的评测方法对基于反馈学习的自适应的中文话题追踪系统进行评价,实验数据表明基于反馈学习的自适应方法能够提高话题追踪的性能。